« On va entraîner l’IA avec nos données. » La phrase revient chez presque tous les hébergeurs qui découvrent les chatbots IA. Elle repose sur un malentendu.

En 2026, entraîner un LLM n’est ni ce qu’on vous vend, ni ce dont vous avez besoin. Voici la vraie mécanique, et pourquoi elle vous simplifie la vie.

« Entraîner le chatbot » : trois choses confondues

Sous le même mot se cachent trois opérations qui n’ont rien à voir.

OpérationQui la faitCe que ça vous demande
Pré-entraînementOpenAI, Anthropic, Mistral, MetaRien : le travail est déjà fait
Fine-tuningL’éditeur du chatbot, ou vousDes milliers d’exemples annotés
RAGVous, sans écrire une ligne de codeVos documents existants

Le pré-entraînement. C’est la formation initiale du LLM sur des milliards de textes : Wikipédia, livres, sites web, code. Des dizaines de millions d’euros et des mois de calcul. Vous n’y participez pas et n’en avez pas besoin.

Le fine-tuning. C’est l’ajustement du modèle sur un jeu de données spécialisé, pour lui donner un style ou une expertise. Coûteux, lent, gourmand en exemples annotés. Rarement pertinent pour un hébergeur individuel.

Le RAG. Retrieval-Augmented Generation : le modèle reste inchangé, il sert de moteur linguistique. Vous lui fournissez une base de connaissances et il y puise les passages utiles à chaque question. C’est ça que vous utilisez réellement.

Quand Groomy dit que votre agent « apprend » votre établissement, il s’agit de RAG. Vous enrichissez la base, l’agent répond mieux. Pas de réentraînement, pas de coût supplémentaire.

Les trois niveaux comparés en un tableau

Le détail, critère par critère.

Pré-entraînementFine-tuningRAG
Qui le faitAnthropic, OpenAI, MistralL’éditeur du chatbot ou vousVous (avec outils no-code)
CoûtMillions d’eurosMilliers d’eurosInclus dans l’abonnement
DuréeMoisJours-semainesMinutes
NécessiteSupercalculateursMilliers d’exemples annotésVos documents existants
Bénéfice pour vousLangage naturel fluentStyle/vocabulaire spécifiqueRéponses précises sur votre établissement
Recommandé pour un hébergeurN/ANonOui

Pourquoi le RAG gagne. Il résout exactement le problème de l’hébergeur : l’IA sait parler, mais elle ne connaît pas votre wifi, vos horaires, votre politique animaux. La base de connaissances comble ce manque.

Comment le RAG répond sans halluciner

Trois étapes s’enchaînent à chaque question posée.

ÉtapeCe qui se passe
1. RécupérationLa question est comparée aux passages de votre base ; les 3 à 10 plus pertinents ressortent
2. AugmentationCes passages sont transmis au LLM avec la question, comme contexte
3. GénérationLe LLM formule sa réponse à partir de ces passages, et de rien d’autre

Ce mécanisme garantit que l’agent :

  • ne répond que sur ce qui est dans votre base ;
  • cite ses sources, c’est-à-dire vos documents ;
  • dit « je ne sais pas » si la réponse n’existe pas ;
  • n’invente aucune information sur votre établissement.
Lucas En ligne · répond en 3 s
Gîte · 22 h
Bonsoir, le wifi capte dans le jardin ? Et il y a une borne de recharge pour voiture électrique près du gîte ?
22:06
Bonsoir ! Oui : d'après le livret d'accueil, le wifi couvre la maison et le jardin. Pour une borne de recharge, je ne trouve pas cette information dans les documents du gîte et je préfère ne pas vous répondre au hasard : je transmets votre question au propriétaire.
Wifi : réponse tirée du livret d'accueil · Borne : absente de la base, question transmise
Les deux comportements du RAG dans un seul échange : l'agent répond à partir de vos documents, et dit qu'il ne sait pas plutôt que d'inventer quand l'information n'y est pas.

C’est très différent d’un LLM « libre », capable de produire des informations plausibles mais fausses sur votre maison.

Construire sa base : trois types de contenus

Une base utile mélange trois matières premières.

Type de contenuExemplesCe que vous faites
Documents structurésLivret d’accueil PDF, FAQ, règlement intérieurVous les importez, l’indexation est automatique
Votre site webDescriptions de chambres, services, tarifsVous donnez l’URL, à recrawler après chaque mise à jour majeure
Q/A manuellesQuestions fréquentes mal couvertes par vos documentsUne question, une réponse de 2 à 5 phrases

Trois Q/A manuelles qui fonctionnent bien :

  • « Y a-t-il des restaurants à proximité ? » → 3 ou 4 adresses, type de cuisine, distance.
  • « Comment accéder au parking ? » → procédure exacte, code de barrière si nécessaire.
  • « Le petit-déjeuner est-il inclus ? » → précision par type de chambre.

Qualité plutôt que volume. Trente Q/A précises surpassent deux cents réponses vagues. Chaque entrée doit répondre à une vraie question de client par une vraie information concrète. Bannissez les « nous faisons de notre mieux pour… ».

Le calendrier de mise à jour

Une base non maintenue se dégrade vite. Trois rendez-vous suffisent.

FréquenceCe que vous traitez
Chaque semaineLes questions restées sans réponse, remontées par le tableau de bord
Chaque moisLes informations saisonnières : horaires d’été et d’hiver, animations
À la demandeChaque changement de tarif, de politique ou d’offre

Quatre erreurs qui plombent la précision

Elles reviennent presque toujours dans le même ordre.

ErreurCe qu’elle produitLe correctif
Copier-coller du site en blocExtractions floues à partir de pages mal structuréesSegmenter (une section = un sujet) ou compléter par des Q/A
Informations contradictoires« Check-in à 15 h » dans la base, « 14 h » dans le PDF : réponse incohérenteUnifier les sources avant l’import ; la Q/A manuelle prime
Base figéeUn ancien tarif annoncé, un service supprimé toujours proposéUn référent interne, cinq minutes de revue par semaine
Réponses trop génériques« Nous sommes à disposition » n’aide pas le modèle à être précisÉcrire des réponses factuelles, chiffrées, datées

À retenir : une base précise est segmentée, unifiée, revue chaque semaine et rédigée en réponses factuelles.

Pour aller plus loin

Questions fréquentes

Un LLM open source est-il aussi bon qu’un LLM propriétaire ? Pour l’usage tourisme, les meilleurs modèles open source (Mistral, Llama 3) sont très proches des modèles propriétaires sur les tâches conversationnelles en français. Leur intérêt principal reste la maîtrise du parcours des données, puisque vous choisissez l’infrastructure sur laquelle le modèle tourne.

Combien de documents peut-on mettre dans la base ? Il n’y a pas de limite dure, mais au-delà d’un certain volume la qualité de la récupération baisse. L’optimum pour un hébergeur : 1 à 5 documents structurés et 30 à 100 Q/A manuelles. Au-delà, segmentez par thème.

La base de connaissances est-elle commune à tous les établissements ? Non. Chaque établissement dispose d’une base isolée. Vos conversations ne servent jamais à entraîner un modèle tiers ni à alimenter la base d’un autre client.

Autres questions fréquentes

Pourquoi un chatbot IA 'hallucine' et comment l'éviter ?

Un LLM hallucine quand il ne trouve pas la réponse dans ses données d'entraînement et en invente une plausible. Le RAG (Retrieval-Augmented Generation) évite ce problème en forçant le modèle à répondre uniquement à partir de votre base de connaissances. Si la réponse n'y est pas, l'agent dit 'je ne sais pas' plutôt qu'inventer.

Dois-je entraîner (fine-tuner) le LLM avec mes données ?

Non, et c'est d'ailleurs déconseillé pour un hébergeur. Le fine-tuning est coûteux, lent et nécessite des milliers d'exemples. Le RAG offre 95% des bénéfices du fine-tuning avec une mise en place en quelques minutes. Contentez-vous de construire une base de connaissances riche.

Quelle taille doit avoir la base de connaissances pour démarrer ?

20 à 30 réponses aux questions les plus fréquentes + votre livret d'accueil ou FAQ existante suffisent pour couvrir 70-80% des questions dès le lancement. La base s'enrichit ensuite en continu au fil des conversations.

Faut-il mettre à jour la base manuellement à chaque changement ?

Pour les changements ponctuels (nouveau tarif, nouvel horaire), oui - directement dans la base en 1-2 minutes. Pour les informations sur votre site web, le crawler de Groomy peut re-indexer régulièrement. Groomy alerte aussi quand une question récurrente n'a pas de réponse dans la base.

Les réponses sont-elles sourcées ?

Oui. Avec le RAG, chaque réponse est générée à partir de passages précis de votre base. Le client (ou votre équipe en supervision) peut voir quelle source a été utilisée. C'est ce qui garantit la fiabilité et l'auditabilité des réponses.